Introdução aos Agentes Inteligentes
Aula: Agentes Baseados em Conhecimento
Obs.: esta aula não foi totalmente baseada no livro
texto AIMA...
Flávia Barros
1
Plano de aula
Agentes Baseados em Conhecimento (BC)

definição geral
“Tipos” de conhecimento
Como raciocinar?
Linguagens de representação do conhecimento
Arquitetura básica e algoritmo do Agente BC
Engenharia do Conhecimento

muito de leve...
O problema do capitão West...
West é criminoso ou não?

“A lei americana diz que é proibido vender armas a
uma nação hostil. Cuba possui alguns mísseis, e todos
eles foram vendidos pelo Capitão West, que é
americano”
Como você resolveria este problema de
classificação?
Limitações da resolução de
problemas por Busca
Agentes de Busca são muito eficientes na solução de
problemas que podem ser formalizados por:

um estado inicial; ações; um conjunto de estados finais.
Porém, não são capazes de resolver problemas que exigem
raciocínio baseado em conhecimento sobre o mundo:

Porque seu modelo do mundo é pobre e o raciocínio é limitado
 e.g., diagnóstico médico, controle aeroespacial, prova de
teoremas, sistemas especialistas em geral,...

mesmo em casos aparentemente solucionáveis por busca
(usando planejamento), pode ser preciso adicionar
conhecimento explícito
Como a máquina poderia resolver o
caso do cap. West?
Segundo a IA simbólica, é necessário



Identificar o conhecimento do domínio
Representá-lo em uma linguagem formal
Implementar um mecanismo de inferência para utilizá-lo
The Knowledge Principle (Lenat & Feigenbaum)

“If a program is to perform a complex task well, it must know a
great deal about the world in which it operates”
Questões-chave



Como adquirir esse conhecimento?
Como representá-lo adequadamente?
Como raciocinar com ele correta e eficientemente?
A) Todo americano que vende uma arma a uma nação hostil é criminoso
B) Todo país em guerra com uma nação X é hostil a X
C) Todo país inimigo político de uma nação X é hostil a X
D) Todo míssil é um arma
E) Toda bomba é um arma
F) Cuba é uma nação
G) USA é uma nação
H) Cuba é inimigo político dos USA
I) Irã é inimigo político dos USA
novo
conhecimento
J) West é americano
K) Existem mísseis em Cuba
L) Os mísseis de Cuba foram vendidos por West
M) Cuba possui um míssel M1
N) M1 é um míssil
O) M1 é uma arma
P) Cuba é hostil aos USA
Q) M1 foi vendido a Cuba por West
R) West é crimonoso
- de K
- de K
- de D e N
- de F, G, H e C
- de L, M e N
- de A, J, O, P e Q
conhecimento
do problema
conhecimento prévio
Solucionando o caso do cap. West (Linguagem Natural)
Agentes Baseados em Conhecimento
São agentes que


conhecem seu mundo
raciocinam sobre suas possíveis ações
Sabem:






o estado atual do mundo (propriedades relevantes)
como o mundo evolui (regras)
como identificar estados desejáveis do mundo (objetivos)
como avaliar o resultado das ações (simulação...)
conhecimento sobre conhecimento (meta-conhecimento)
etc.
Agentes Baseados em Conhecimento
Possuem dois componentes principais (separados):


Base de Conhecimento
Mecanismo de Inferência
Base de Conhecimento (BC):

Contém sentenças em uma Linguagem de Representação de
Conhecimento “tratável” pelo computador
 representações de regras e fatos
 ex., " x Míssil(x) Arma(x)
Mecanismo (máquina) de Inferência associado:

responsável por inferir, a partir do conhecimento da BC, novos fatos
ou hipóteses intermediárias/temporárias
 ex., M1 é uma arma
Agente Baseado em Conhecimento
Agente
Sensores
Ambiente
Base de
Conhecimento
Especializada
Atuadores
Máquina de
Inferência
Genérica
Tipos de Conhecimento na Máquina
10
Conhecimento na Máquina
Dados:


cadeias numéricas ou alfanuméricas que não possuem significado
associado
ex. 12, m1, west, 10.... ( ?)
Informação:


dados organizados: significam alguma coisa para quem os recebe
ex. 01, 03, 04, 06, 07, 08, 10 (meses ???)
Conhecimento:


Dado, informação ou abstração formatados de maneira a permitir
raciocínio por um ser humano ou por uma máquina
Representa objetos (entidades) de algum domínio, com suas
propriedades e relações
Conhecimento na Máquina
Exemplos de conhecimento formatado



Classes e objetos
 relação Arma - Míssil - m1
Fórmula da lógica
 InimigoPolítico(Cuba,USA)
Distribuição de probabilidade prévia e condicional de variáveis
aleatórias
 P(Cuba-usar-míssil-contra-USA |Cuba-tem-m1) = 0,3
Basta saber isto?


Não!
É preciso saber como estruturar o conhecimento, identificar sua
natureza e para efetivamente saber como usá-lo....
“Tipos” de Conhecimento











Estático x Dinâmico
Em intenção x Em extensão
Declarativo x Procedimental
Do problema x Meta-conhecimento
Diagnóstico x Causal
Dedutivo x Terminológico
Síncrono x Diacrônico
Certo x Incerto
Preciso x Vago
De senso comum x Especialista
Explicito x Implícito
Conhecimento em Intenção x Extensão
Conhecimento em intenção

Definição do conceito (ou ação), normalmente usando
regras, em termos de sua função, estrutura, etc.
 ex. " X, cadeira(X)  assento(X).
 cadeira: serve para sentar, tem assento, ...
 ex. " X, tem-dengue(X)  tem-dores(X)  tem-febre(X).
 quem tem dengue tem febre, dores, ...
Conhecimento em extensão



Instâncias do conceito
ex. cadeira 1, cadeira 21, cadeira 613, ....
ex. os sintomas de dengue de João, de Zé, ...
Conhecimento Declarativo X Procedimental
Conhecimento representado de modo:
 Procedimental
 fatos e seqüências de instruções para manipular esses
fatos


ex.: como desmontar uma bicicleta
Declarativo
 representação descritiva dos fatos, relacionamentos e
regras


as partes de uma bicicleta e seus relacionamentos
o pai do pai é o avô
Conhecimento Estático x Dinâmico
Conhecimento estático:


Aquele que já existe na BC e não mudará
Hierarquia de conceitos (classes de fatos)
 ex, " X, gato(X)  felino(X).

Restrições de integridades
 ex, " X,Y estrela-dalva(X)  vênus(Y)  X = Y.

Regras de dedução sobre o domínio
 ex, " X,Y chefe(X,Y)  empregado(Y,X)

Meta-regras para controle e explicação do raciocínio
 ex. preferir ir para direita caso tenha mais de uma
escolha
Conhecimento Estático x Dinâmico
Conhecimento dinâmico:


só existe durante a resolução de uma instância particular do
problema
descrição da instância, hipóteses atuais, fatos novos,...
Senso Comum
Classe de problema
Instância do problema
Estático
Estático
Dinâmico
" x Míssil(x)
Arma(x)
"x
InimigoPolítico(x,USA)
Hostil(x)
Americano (West)
Meta-conhecimento
Conhecimento sobre o conhecimento disponível:

Regras sobre “como” manipular as regras de conhecimento que
estão em uma base
 como escolher ações



ataco ou negocio?
Ente duas ações conflitantes, escolha a de maior utilidade
" G,H,T,A,B goal(G,T+1)  goal(H,T+1)  result(A,T,G,T+1) 
result(B,T,H,T+1)   result(A,T,H,T)   result(B,T,G,T) 
utility(G,high)  utility(H,low)  do(A,T)
Categorias de Raciocínio
19
Categorias de Raciocínio
Dedução


fatos + regras de inferência => novos fatos
causa -> efeito
 Se há fogo (causa), há fumaça (efeito). Aqui tem fogo, logo, aqui
tem fumaça (novo fato)

É o único tipo de inferência que preserva a verdade
 truth-preserving
Abdução

inverso da dedução: do efeito para a causa
 Se há fumaça, há fogo. Eu vi fumaça (efeito), logo aqui tem fogo
(causa)
 Ex. Se há febre e dor, a doença é dengue

Este tipo de inferência preserva a falsidade
Categorias de Raciocínio
Indução

parte dos fatos para gerar regras
 fato1 + fato2 + fato 3 => regra!
 ex. Sr. Antônio, assim como D. Maria, tem dor de cabeça
e dengue, então todo mundo que tem dengue, tem dor
de cabeça

Transforma conhecimento em extensão em
conhecimento em intenção!!
Categorias de Raciocínio
Raciocínio Analógico


fatos + similaridades + regras de adaptação +...
a partir de fatos (conhecimento em extensão), a da
similaridade entre eles, resolve o problema sem gerar
regras
 ex.: Naquele caso de dengue, eu passei aspirina e não
deu certo, logo vou evitar receitar aspirina neste caso
semelhante
Raciocínio na Máquina
Dedução e Abdução (via dedução)

usadas nos agentes baseados em conhecimento declarativo
Indução e Analogia

usadas na aprendizagem automática
Dedução: dois grandes grupos

Lógica e afins
 Veremos mais sobre isso a seguir

Tratamento de incerteza
 Probabilístico ou difuso (fuzzy)
Como Representar Conhecimento
e Raciocinar?
Linguagens de Representação
do Conhecimento
24
Linguagens de Representação
do Conhecimento
Uma Linguagem de Representação do Conhecimento
(LRC) é definida por:
1) uma sintaxe, que descreve as configurações que podem constituir
sentenças daquela linguagem
2) uma semântica, que liga cada sentença aos fatos do mundo que
ela representa
 cada sentença faz uma afirmação a respeito do mundo
 o Agente BC acredita nas sentenças armazenadas na sua base
de conhecimento
Toda LRC deve ter um mecanismo de inferência associado =>
raciocínio
Representação & Raciocínio
Raciocínio

processo de construção de novas sentenças a partir de sentenças existentes
Raciocínio plausível (sound):


garante que as novas sentenças representam fatos que se seguem dos fatos
representados pelas sentenças existentes na BC.
implementa a relação de “implicação” entre sentenças
fatos
segue-se
fatos
Mundo
Representação
sentenças
implica
sentenças
Linguagens de Representação
do Conhecimento
Linguagens de programação:

são precisas, porém não são suficientemente expressivas
Linguagens naturais:

são muito expressivas, porém são ambíguas
Linguagens de representação de conhecimento:


utilizadas para expressar as sentenças das BC
existem 3 grandes classes:
 linguagens (predominantemente) declarativas
 linguagens procedimentais
 linguagens híbridas
Linguagens de Representação
do Conhecimento
Programação Declarativa: diz “o que”

representação descritiva dos fatos, relacionamentos e
regras
 ex. as partes de uma bicicleta e seus relacionamentos
 ex. o pai do pai é o avô
Programação procedimental: diz “como”

fatos e seqüências de instruções para manipular esses
fatos
 ex.: como desmontar uma bicicleta
Lógica e afins (LRC+MI)
Principais sistemas de
raciocínio declarativos/dedutivos
lógica
Provadores de teorema
regras
objetos
híbridos
Sistemas Redes Semânticas
Sistemas Frames
Sistemas de Lógica descritiva
Sistemas OO
Programação em lógica
Sistemas de produção
Sistemas de manutenção da verdade
regras+objetos
lógica+objetos
lógica+objetos+funções
A) " x,y,z Americano(x) Arma(y) Nação(z) Hostil(z) Vende(x,z,y)
 Criminoso(x)
B) " x Guerra(x,USA) Hostil(x)
C) " x InimigoPolítico(x,USA) Hostil(x)
D) " x Míssil(x) Arma(x)
E) " x Bomba(x) Arma(x)
F) Nação(Cuba)
G) Nação(USA)
H) InimigoPolítico(Cuba,USA)
I) InimigoPolítico(Irã,USA)
novo
conhecimento
J) Americano(West)
K) $ x Possui(Cuba,x) Míssil(x)
L) " x Possui(Cuba,x) Míssil(x)  Vende(West, Cuba,x)
M) Possui(Cuba,M1)
N) Míssil(M1)
O) Arma(M1)
P) Hostil(Cuba)
Q) Vende(West,Cuba,M1)
R) Criminoso(West)
conhecimento
do problema
conhecimento prévio
Solucionando o caso do cap. West (em LPO)
- Eliminação: quantificador existencial e
conjunção de K
- Modus Ponens a partir de D e N
- Modus Ponens a partir de C e H
- Modus Ponens a partir de L, M e N
- Modus Ponens a partir de A, J, O, F, P e Q
Observações sobre
Linguagem e Raciocínio
Separação entre controle e conhecimento



Programação declarativa!
Seja lá qual for a categoria do raciocínio, haverá sempre
um motor geral que o implementará
A tarefa do engenheiro de IA é “apenas” codificar
corretamente o conhecimento
O par linguagem-raciocínio é independente do tipo
de arquitetura de agente


Agente reativo => lógica, regras, funções, ....
Agente cognitivo => busca, lógica, regras, ...
Critérios para avaliação das LRC
Expressividade

o que é possível dizer facilmente na linguagem?
Inferência disponível

que tipo de inferência é possível fazer na linguagem?
Corretude

a inferência é plausível? A semântica é bem definida?
Eficiência

a inferência se realiza em um tempo razoável?
Critérios para avaliação das LRC
Modularidade:

é fácil identificar e reutilizar partes do conhecimento?
Legibilidade:

é fácil de ler e entender o que está escrito?
Eficiência aquisicional:

é fácil adicionar conhecimento?
Agente Baseado em Conhecimento
Arquitetura básica e algoritmo
34
Agente Baseado em Conhecimento
(Dedutivo)
Raciocínio
Automático
Sensores
Ambiente
Ask
Base de
Conhecimento
Especializada
Efetuadores
Tell
Retract
Representação e
Aquisição de
Conhecimento
Máquina de
Inferência
Genérica
Implementando Raciocínio:
Laço Principal do Agente
ASK: pergunta coisas à base

ex. ASK (BC, Criminoso(West)) ou
ASK (BC, $x Criminoso (x)))
TELL: relata novos fatos à base

ex. TELL (BC, Americano (West))
RETRACT: Elimina fatos da base

ex. RETRACT (BC, Criminoso(Zezinho))
Implementando Raciocínio:
Laço Principal do Agente
Programa Agente Baseado em Conhecimento
t := 0 //contador de tempo
enquanto Agente-BC vivo, faça
Tell(BC, Percepções-Sentença(percepção,t))
ação <- Ask(BC, Pergunta-Ação(t))
Executa(ação)
Tell(BC, Ação-Sentença(ação,t))
t <- t + 1
Engenharia do Conhecimento
Muito de leve...
38
Engenharia do Conhecimento
Engenharia do Conhecimento

estuda como construir uma boa Base de Conhecimento (BC)
1. Nível do conhecimento: aquisição de conhecimento

conhecimento em “estado puro” - linguagem natural
 e.g., táxi automático: a ponte Princesa Isabel liga a Rua da
Imperatriz à Rua Nova
2. Nível lógico: formalização

conhecimento codificado em sentenças - linguagem formal
 e.g. sentença lógica: liga(Ponte-PI,RI,RN)
3. Nível de máquina: implementação

estrutura de dados representando as sentenças do nível lógico
 e.g., listas, tabelas, objetos, etc.
Ciclo de vida dos Sistemas Baseados em
Conhecimento
Nível de
Conhecimento
Nível Lógico
Nível de
Implementação
AQUISIÇÃO
linguagem natural
FORMALIZAÇÃO
linguagem de
representação de
conhecimento
IMPLEMENTAÇÃO
linguagens de
programação
BC
REFINAMENTO
Sistemas Baseados em Conhecimento X
Agentes BC
Sistemas baseados em conhecimento


Têm uma base de conhecimento e uma máquina de inferência
associadas
Formalizam e implementam parte dos agentes
Qual a diferença?

Agentes interagem com o ambiente onde estão imersos através
dos sensores e atuadores
Próxima aula
Agentes Baseados em Regras de Produção
Download

Agentes baseados em conhecimento